OPENCV用户手册之图像处理部分（之四）：滤波器与色彩转换（中文翻译）

滤波器与色彩转换

HUNNISH 注：

本翻译是直接根据 OpenCV Beta 4.0 版本的用户手册翻译的，原文件是：<opencv_directory>/doc/ref/opencvref_cv.htm, 可以从 SOURCEFORG 上面的 OpenCV 项目下载，也可以直接从 阿须数码 中下载：http://www.assuredigit.com/incoming/sourcecode/opencv/chinese_docs/ref/opencvref_cv.htm。

翻译中肯定有不少错误，另外也有些术语和原文语义理解不透导致翻译不准确或者错误，也请有心人赐教。翻译这些英文参考手册的目的是想与国内 OPENCV 的爱好者一起提高 OPENCV 在计算机视觉、模式识别和图像处理方面的实际应用水平

Smooth

各种方法的图像平滑

void cvSmooth( const CvArr* src, CvArr* dst,               int smoothtype=CV_GAUSSIAN,               int param1=3, int param2=0, double param3=0 );

src

输入图像.

dst

输出图像.

smoothtype

平滑方法:

• CV_BLUR_NO_SCALE (简单不带尺度变换的模糊) - 对每个象素领域 param1×param2 求和。如果邻域大小是变化的，可以事先利用函数 cvIntegral 计算积分图像。
• CV_BLUR (simple blur) - 对每个象素邻域 param1×param2 求和并做尺度变换 1/(param1"param2).
• CV_GAUSSIAN (gaussian blur) - 对图像进行核大小为 param1×param2 的高斯卷积
• CV_MEDIAN (median blur) - 发现邻域 param1×param1 的中值 (i.e. 邻域是方的).
• CV_BILATERAL (双滤波) - 应用双向 3x3 滤波，彩色 sigma=param1，空间 sigma=param2. 关于双向滤波，可参考 http://www.dai.ed.ac.uk/CVonline/LOCAL_COPIES/MANDUCHI1/Bilateral_Filtering.html

param1

平滑操作的第一个参数.

param2

平滑操作的第二个参数.  param2 为零对应简单的尺度变换和高斯模糊。

param3

对应高斯参数的 Gaussian sigma (标准差). 如果为零，这由下面的核尺寸计算：

              sigma = (n/2 - 1)*0.3 + 0.8, 其中 n=param1 对应水平核,                                                n=param2 对应垂直核.              

对小的卷积核 (3×3 to 7×7) 使用标准 sigma 速度会快。如果  param3 不为零，而  param1 和  param2 为零，则核大小有 sigma 计算 (以保证足够精确的操作).

函数 cvSmooth 可使用上面任何一种方法平滑图像。每一种方法都有自己的特点以及局限。

没有缩放的图像平滑仅支持单通道图像，并且支持8位、16位、32位和32位浮点格式。

简单模糊和高斯模糊支持 1- 或 3-通道, 8-比特 和 32-比特 浮点图像。这两种方法可以（in-place）方式处理图像。

中值和双向滤波工作于 1- 或 3-通道， 8-位图像，但是不能以 in-place 方式处理图像.

Filter2D

对图像做卷积

void cvFilter2D( const CvArr* src, CvArr* dst,                 const CvMat* kernel,                 CvPoint anchor=cvPoint(-1,-1));#define cvConvolve2D cvFilter2D

src

输入图像.

dst

输出图像.

kernel

卷积核, 单通道浮点矩阵. 如果想要应用不同的核于不同的通道，先用  cvSplit 函数分解图像到单个色彩通道上，然后单独处理。

anchor

核的锚点表示一个被滤波的点在核内的位置。 锚点应该处于核内部。缺省值 (-1,-1) 表示锚点在核中心。

函数 cvFilter2D 对图像进行线性滤波，支持 In-place 操作。当开孔部分位于图像外面时，函数从最近邻的图像内部象素差值得到边界外面的象素值。

Integral

计算积分图像

void cvIntegral( const CvArr* image, CvArr* sum, CvArr* sqsum=NULL, CvArr* tilted_sum=NULL );

image

输入图像,  W× H, 单通道，8位或浮点 (32f 或 64f).

sum

积分图像,  W+1× H+1, 单通道，32位整数或 double 精度的浮点数(64f).

sqsum

对象素值平方的积分图像， W+1× H+1, 单通道，32位整数或 double 精度的浮点数 (64f).

tilted_sum

旋转45度的积分图像，单通道，32位整数或 double 精度的浮点数 (64f).

函数 cvIntegral 计算一次或高次积分图像：

sum(X,Y)=sumx<X,y<Yimage(x,y)sqsum(X,Y)=sumx<X,y<Yimage(x,y)2tilted_sum(X,Y)=sumy<Y,abs(x-X)<yimage(x,y)

利用积分图像，可以方便得到某个区域象素点的和、均值、标准方差或在 0（1） 的选择角度。例如：

sum_{x1<=x<x2,y1<=y<y2}image(x,y)=sum(x2,y2)-sum(x1,y2)-sum(x2,y1)+sum(x1,x1)

因此可以在变化的窗口内做快速平滑或窗口相关。

CvtColor

色彩空间转换

void cvCvtColor( const CvArr* src, CvArr* dst, int code );

src

输入的 8-比特 或浮点图像.

dst

输出的 8-比特 或浮点图像.

code

色彩空间转换，通过定义 CV_<src_color_space>2<dst_color_space> 常数 (见下面).

函数 cvCvtColor 将输入图像从一个色彩空间转换为另外一个色彩空间。函数忽略 IplImage 头中定义的 colorModel 和 channelSeq 域，所以输入图像的色彩空间应该正确指定 (包括通道的顺序，对RGB空间而言，BGR 意味着 24-位格式，其排列为 B₀ G₀ R₀ B₁ G₁ R₁ ... 层叠，而 RGB 意味着 24-位格式，其排列为 R₀ G₀ B₀ R₁ G₁ B₁ ... 层叠). 函数做如下变换：

• RGB 空间内部的变换，如增加/删除 alpha 通道，反相通道顺序，16位  RGB彩色变换(Rx5:Gx6:Rx5),以及灰度图像的变换，使用：

  RGB[A]->Gray: Y=0.212671*R + 0.715160*G + 0.072169*B + 0*AGray->RGB[A]: R=Y G=Y B=Y A=0
  

  所有可能的图像色彩空间的相互变换公式列举如下：

• RGB<=>XYZ (CV_BGR2XYZ, CV_RGB2XYZ, CV_XYZ2BGR, CV_XYZ2RGB):

  |X|   |0.412411  0.357585  0.180454| |R||Y| = |0.212649  0.715169  0.072182|*|G||Z|   |0.019332  0.119195  0.950390| |B||R|   | 3.240479  -1.53715  -0.498535| |X||G| = |-0.969256   1.875991  0.041556|*|Y||B|   | 0.055648  -0.204043  1.057311| |Z|
  

• RGB<=>YCrCb (CV_BGR2YCrCb, CV_RGB2YCrCb, CV_YCrCb2BGR, CV_YCrCb2RGB)

  Y=0.299*R + 0.587*G + 0.114*BCr=(R-Y)*0.713 + 128Cb=(B-Y)*0.564 + 128R=Y + 1.403*(Cr - 128)G=Y - 0.344*(Cr - 128) - 0.714*(Cb - 128)B=Y + 1.773*(Cb - 128)
  

• RGB=>HSV (CV_BGR2HSV,CV_RGB2HSV)

  V=max(R,G,B)S=(V-min(R,G,B))*255/V   if V!=0, 0 otherwise       (G - B)*60/S,  if V=RH= 180+(B - R)*60/S,  if V=G   240+(R - G)*60/S,  if V=Bif H<0 then H=H+360
  

  使用上面从 0° 到 360° 变化的公式计算色调（hue）值，确保它们被 2 除后能试用于8位。

• RGB=>Lab (CV_BGR2Lab, CV_RGB2Lab)

  |X|   |0.433910  0.376220  0.189860| |R/255||Y| = |0.212649  0.715169  0.072182|*|G/255||Z|   |0.017756  0.109478  0.872915| |B/255|L = 116*Y1/3      for Y>0.008856L = 903.3*Y      for Y<=0.008856a = 500*(f(X)-f(Y))b = 200*(f(Y)-f(Z))where f(t)=t1/3              for t>0.008856      f(t)=7.787*t+16/116   for t<=0.008856
  

  上面的公式可以参考 http://www.cica.indiana.edu/cica/faq/color_spaces/color.spaces.html
• Bayer=>RGB (CV_BayerBG2BGR, CV_BayerGB2BGR, CV_BayerRG2BGR, CV_BayerGR2BGR,
  CV_BayerBG2RGB, CV_BayerRG2BGR, CV_BayerGB2RGB, CV_BayerGR2BGR,
  CV_BayerRG2RGB, CV_BayerBG2BGR, CV_BayerGR2RGB, CV_BayerGB2BGR)

  Bayer 模式被广泛应用于 CCD 和 CMOS 摄像头. 它允许从一个单独平面中得到彩色图像，该平面中的 R/G/B 象素点被安排如下：

  R	G	R	G	R
  G	B	G	B	G
  R	G	R	G	R
  G	B	G	B	G
  R	G	R	G	R
  G	B	G	B	G

  The output RGB components of a pixel are interpolated from 1, 2 or 4 neighbors of the pixel having the same color. There are several modifications of the above pattern that can be achieved by shifting the pattern one pixel left and/or one pixel up. The two letters C₁ and C₂ in the conversion constants CV_BayerC₁C₂2{BGR|RGB} indicate the particular pattern type - these are components from the second row, second and third columns, respectively. For example, the above pattern has very popular "BG" type.

Threshold

对数组元素进行固定阈值操作

void cvThreshold( const CvArr* src, CvArr* dst, double threshold,                  double max_value, int threshold_type );

src

原始数组 (单通道, 8-比特 of 32-比特 浮点数).

dst

输出数组，必须与  src 的类型一致，或者为 8-比特.

threshold

阈值

max_value

使用  CV_THRESH_BINARY 和  CV_THRESH_BINARY_INV 的最大值.

threshold_type

阈值类型 (见讨论)

函数 cvThreshold 对单通道数组应用固定阈值操作。典型的是对灰度图像进行阈值操作得到二值图像。(cvCmpS 也可以达到此目的) 或者是去掉噪声，例如过滤很小或很大象素值的图像点。有好几种对图像取阈值的方法，本函数支持的方法由 threshold_type 确定:

threshold_type=CV_THRESH_BINARY:dst(x,y) = max_value, if src(x,y)>threshold           0, otherwisethreshold_type=CV_THRESH_BINARY_INV:dst(x,y) = 0, if src(x,y)>threshold           max_value, otherwisethreshold_type=CV_THRESH_TRUNC:dst(x,y) = threshold, if src(x,y)>threshold           src(x,y), otherwisethreshold_type=CV_THRESH_TOZERO:dst(x,y) = src(x,y), if (x,y)>threshold           0, otherwisethreshold_type=CV_THRESH_TOZERO_INV:dst(x,y) = 0, if src(x,y)>threshold           src(x,y), otherwise

下面是图形化的阈值描述：

AdaptiveThreshold

自适应阈值方法

void cvAdaptiveThreshold( const CvArr* src, CvArr* dst, double max_value,                          int adaptive_method=CV_ADAPTIVE_THRESH_MEAN_C,                          int threshold_type=CV_THRESH_BINARY,                          int block_size=3, double param1=5 );

src

输入图像.

dst

输出图像.

max_value

使用  CV_THRESH_BINARY 和  CV_THRESH_BINARY_INV 的最大值.

adaptive_method

自适应阈值算法使用： CV_ADAPTIVE_THRESH_MEAN_C 或  CV_ADAPTIVE_THRESH_GAUSSIAN_C （见讨论）.

threshold_type

取阈值类型：必须是下者之一

• CV_THRESH_BINARY,
• CV_THRESH_BINARY_INV

block_size

用来计算阈值的象素邻域大小: 3, 5, 7, ...

param1

与方法有关的参数。对方法  CV_ADAPTIVE_THRESH_MEAN_C 和  CV_ADAPTIVE_THRESH_GAUSSIAN_C， 它是一个从均值或加权均值提取的常数（见讨论）, 尽管它可以是负数。

函数 cvAdaptiveThreshold 将灰度图像变换到二值图像，采用下面公式：

threshold_type=CV_THRESH_BINARY:dst(x,y) = max_value, if src(x,y)>T(x,y)           0, otherwisethreshold_type=CV_THRESH_BINARY_INV:dst(x,y) = 0, if src(x,y)>T(x,y)           max_value, otherwise

其中 T_I 是为每一个象素点单独计算的阈值

对方法 CV_ADAPTIVE_THRESH_MEAN_C，它是 block_size × block_size 块中的象素点，被参数 param1 所减，得到的均值，

对方法 CV_ADAPTIVE_THRESH_GAUSSIAN_C 它是 block_size × block_size 块中的象素点，被参数 param1 所减，得到的加权和(gaussian)。